[1] Yaman Barlas. Forma System Dynamics Education in Universities.

th
Conference Proceedings the 11 International Conference of the System
Dynamics Society Cancun Mexico. 1993.

El artculo titulado Formal System Dynamics Education in

Universities [1] intenta reflejar la problemtica existente en el estudio de los
sistemas dinmicos en diferentes universidades, ya que el perfil de cada
carrera y los planes de estudio en cada institucin son diferentes, haciendo que
el enfoque de estudio de este tema sea distinto; no solo se pretende dar
explicacin de la dificultad que tienen los estudiantes al cursar la materia de
sistemas dinmicos sino tambin pretende indagar en las diferentes
concepciones que se tienen del tema en diferentes campos de estudio. Un
parmetro claro de este artculo es el ao de publicacin (1993) es importante
ya que el estudio realizado en la universidad de Miami refleja una realidad y
esta es que la comprensin de los temas segn sea el enfoque dado de la
asignatura no ha variado con la generaciones actuales. Esta aseveracin desde
la perspectiva de alumnos de nivel universitario.

Adems, el estudio plantea como hiptesis el que un factor importante

es el tipo de audiencia al cual estar dirigido el curso. Ya que es un enfoque
completamente diferente el impartir esta asignatura para estudiantes con una
formacin hacia el rea de ingeniera y ciencias que a estudiantes con una
formacin dedicada al rea de negocios o psicologa. Otra distincin es el nivel
del curso, avanzado o introductorio. Tambin otra forma de impartirlo radica en
la imparticin ya que se tienen 3 posibles maneras de realizarlo, simulacin
virtual, modelado cuantitativo (estadstico) y finalmente anlisis de sistemas
(ecuaciones diferenciales ordinarias).

Es as que se realiza una comparacin entre los enfoques de aplicacin,

para el caso ingenieril y de ciencias, se tiene la siguiente planeacin

Seman Tema
a
1 Organizacin del curso e introduccin de sistemas y modelos.
2 Respuesta de los sistemas dinmicos. Sistemas complejos.
3 Experimentando con modelos de simulacin interactiva.
4 Herramientas para el modelado de sistemas.
5 Introduccin a STELLA, Retroalimentacin positiva y negativa.
6 Diagramas de ciclos causales.
7 Test 1.
8 Acoplamiento de retroalimentaciones positiva y negativa.
9 Formulacin de ecuaciones lineales y no lineales. Importancia de
retardos en los sistemas.
10 Caso de estudio.
11 Ejemplos de sistemas con conducta oscilatoria.
 12 Caso de estudio.
13 Caso de estudio. Recapitulacin del curso.

Mientras que el plan de estudio para un enfoque matemtico se muestra

en la tabla II.

Seman Tema
a
1 Organizacin del curso e introduccin a modelos dinamicos.
2 Resolucin de ODE homogneas. Aplicacin de ODE homogneas de
primer orden.
3 Resolucin de ODE no homogneas.
4 Aplicaciones.
5 Simulacin con STELLA.
6 ODE de segundo orden. Test 1.
7 Aplicacin de ODE de segundo orden.
8 DE no lineales de segundo orden. Conceptos de estabilidad y
equilibrio
9 Liberalizacin y aplicaciones.
10 Sistemas de DE.
11 Introduccin a los mtodos numricos. Test 2.
12 Introduccin al mtodo de sistemas dinmicos.
13 Aplicacin de sistemas dinmicos. Recapitulacin del curso.

Este artculo plantea que la complejidad de estudiar los sistemas

dinmicos radica en factores como la formacin del individuo ya que no es el
mismo enfoque para quienes tienen una carrera de ingeniera o ciencias
exactas que para quienes tienen reas de estudio de tipo social o de negocios.
Tambin factores influyen de manera negativa como la falta de literatura que
ensee de forma concreta sobre el tema y metodologas, ambigedad en la
terminologa en bases de conocimiento escasas para generar un aprendizaje
significativo.

[2]Bjornar Tessem & Pal Davidsen. Fuzzy System Dynamics. Conference

Proceedings the 11th International Conference of the System Dynamics Society
Cancun Mexico. 1993.

Una manera alternativa para representar el comportamiento de los

sistemas dinmicos es mediante la teora de lgica difusa, desarrollado en los
60s por Lofty Zadeh, esta teora generaliza a la teora de probabilidad
haciendo posible la representacin del comportamiento de sistemas complejos
con la premisa de modelado con base a la experiencia. Teniendo como sustento
la teora del algebra booleana, la definicin de operadores tales como unin,
interseccin, complemento, diferencia, entre otros. Entendiendo que el trmino
difuso es correspondiente a una asignacin en donde se desprecia de forma
tajante la pertenencia o no pertenencia a un conjunto por parte de un
elemento de inters.

La metodologa empleada para definir un numero complejo contempla 3

etapas principales las cuales son: i) fusificacin de la variable, ii) generar reglas
de inferencia y iii) defusificacin de la variable de inters. Iniciando la
defusificacin definiendo una funcin de pertenencia, misma que esta definida
en un rango de 0 a 1 tal como una funcin de probabilidad, esta funcin marca
el grado de pertenencia de la variable que ser fusificada. Este tipo de
funciones son llamadas de clase 1 o de clase 2, las primeras son funciones de
tipo lineal tales como: triangulares y trapezoidales, mientras que las segundas
son de tipo gaussiano. Con este tipo de funciones es posible tener un
procesamiento de la informacin eficiente, que con base a la interseccin que
puedan suscitarse entre los conjuntos difusos y el tipo de reglas de inferencia
asignada, el proceso de defusificacin proporcionara valores concretos en las
variables procesadas. En la figura XXX se muestra la interpretacin de la
asignacin de una variable difusa. Como se observa, el tipo de funcin de
pertenencia es de clase 2, ya que presenta suavizado en su forma. Adems, se
observa que en el eje de las ordenadas se marca el grado de pertenencia y
como mximo valor la unidad, mientras que el eje de las abscisas indica la
variable difusa, el valor de es algun dato entre el rango de 0 1.

Figura XXX. Conjunto difuso

Actualmente gran parte de los algoritmos inteligentes utilizan la teora

de la lgica difusa para proveer de un grado de experiencia a este tipo de
sistemas, ya que esta la interpretacin de los datos es ms manejable desde
un enfoque netamente lingstico haciendo que la generacin de datos y
resultados sobre un sistema sea ms amigable. Adems, una razn importante
de utilizar la lgica difusa como herramienta para el modelado es que modela
la incertidumbre intrnseca a cualquier sistema.

[3] Kim, Dong Hwan with IK Jae Chang. Neural Networks Heuristics for
Controlling System Dynamic Models. Conference Proceedings the 12 th
International Conference of the System Dynamics Society. Stirling Scotland.
1994.

En el artculo titulado Neural Network Heuristics for Controlling

System Dynamic Models, se plantea el estudio de proveer a los sistemas
dinmicos de una parte heurstica para la toma de decisiones, intentando dotar
a los sistemas dinmicos de una parte inteligente, esencialmente, enfocada a
sistemas que conlleven una parte de control. La teora de redes neuronales se
puede entender desde una perspectiva metodolgica, es decir, existen
modelos neuronales que emulan las interconexiones cerebrales teniendo como
base fundamental la unidad neuronal, la cual es la esencia de la creacin de
redes ms complejas, la unidad neuronal est compuesta por su ncleo, cuerpo
celular, la sinapsis y sus dendritas tal como se observa en la figura XXXX.
Eventualmente, la creacin de una red neuronal implica enlace entre neuronas
mismas que comparten informacin a travs de las dendritas, de este modo,
un sistema se considera inteligente a partir de la complejidad de su red
neuronal logrando generar decisiones adecuadas a la situacin planteada.

Figura XXX. Neurona

El enfoque del articulo plantea la creacin e insercin de una red

neuronal hacia un sistema de control, para ello es imperante el explicar que
existen dos maneras de hacer que un red neuronal aprenda, a estas dos
vertientes se les llama aprendizaje supervisado y aprendizaje no supervisado,
el primero de ellos implica tener un conjunto de datos el cual se subdivide en
datos deseados y no deseados, con la finalidad de hacer que la red neuronal
discierna entre esta clasificacin y aunque pareciera ser que simplemente se
trata de un problema de clasificacin binario, la idea es extensible para
mltiples clases, de modo tal que mediante repeticiones aprenda la red. En el
segundo enfoque de aprendizaje, la red neuronal aprende a partir de la
asignacin de una funcin llamada objetivo, la cual tiene un parmetro que
indica el grado de error que tiene al momento del aprendizaje, en este caso no
existe una clasificacin de las tareas errneas o correctas.

Como existen mltiples arquitecturas de redes neuronales, cada

arquitectura esta diseada para un tipo de aprendizaje, la ms comn en la
conocida como backpropagation, en esta arquitectura, se tiene un conjunto de
neuronas distribuidas en varias capas tal como se muestra en la figura XXX.
Aunque en la figura solo se muestran 3 capas marcadas como capa 0, 1 y 2 no
existe impedimento alguno para formular una arquitectura con mltiples capas.

Figura XXX. Esquema del backpropagation.

Esta arquitectura como su nombre lo indica, propaga el error desde la

salida hasta las entradas haciendo que los pesos de la red se ajusten en cada
iteracin. Esto es posible ya que las entradas de una capa son las salidas de la
capa previa. La preferencia de usar redes neuronales radica en los beneficios
tales como: i) una red neuronal genera consignas de control sin tener
explcitamente el modelo del sistema a controlar, ii) puede ser implementada
por individuos que no tienen un conocimiento profundo de sistemas de control
y iii) su aprendizaje de tipo no supervisado implica el nulo monitoreo de las
consignas de accin sobre el sistema.

Las redes neuronales empleadas en conjunto con sistemas dinmico

proveen una forma alternativa y funcional de realizar control, este tipo de
control entra dentro de la clasificacin inteligente ya que las acciones sobre
el sistema dinmico son auto-ajustables, es decir, se crea un sistema
autnomo ya que su aprendizaje se da acorde a las interacciones con el
entorno tal como sucede con los seres humanos.

[4] Reza Hesan. Amineh Ghorbani & Virginia Digmun. Using Difference
Equations to Model Time Behavior in System Dynamics Modeling. Conference
Proceedings the 33th International Conference of the System Dynamics Society.
Cambridge MA USAS. 2015.

El artculo titulado Using Difference Equations to Model Discrete

Time Behavior in System Dynamics Modeling intenta reflejar la
importancia que tiene el modelar a los sistemas desde una perspectiva
discreta, ya que desde este enfoque el autor infiere que el modelado utilizando
ecuaciones diferenciales no refleja de manera fehaciente los elementos de
sistemas dinmicos que tiene parmetros discretos, debido a que est en
desacuerdo con el hecho de la transformacin de parmetros continuos a
discretos en el entendido de la igualacin de la diferencial a la unidad. De esto
hablaremos despus. Una de sus aportaciones que se reporta en el artculo es
su propuesta de generar modelos matemticos de manera discreta ya que
combina estructuras de decisin (inferencias) con ecuaciones en diferencias.

Tradicionalmente el conocer la respuesta de un fenmeno bajo estudio

es a partir de una representacin abstracta, la cual se basa en las leyes fsicas
que gobiernan al fenmeno, muchas de estas son a partir de las relaciones
existentes entre las variables que son involucradas y estas representaciones
abstractas son planteadas en trminos de ecuaciones diferenciales; resaltando
que una ecuacin diferencial siempre muestra la evolucin de un fenmeno
dinmico, caso contrario las ecuaciones no serian ecuaciones diferenciales.
Entonces, si un fenmeno cambia con respecto del transcurrir del tiempo
(dinmico) y es posible representarlo con ecuaciones diferenciales tambin es
posible el representarlo de manera anloga con ecuaciones en diferencias.
Desde la perspectiva del autor, una representacin con diferenciales no
muestra de manera adecuada el comportamiento de un sistema que tiene
comportamientos discretos, tales como retardos o elementos de memoria y
que adems, estos elementos tienen comportamientos aleatorios es decir, no
se conoce en qu momento puedan presentarse, por ello aunque herramientas
matemticas como la transformada de Laplace para sistemas continuos o bien
su contraparte, la transformada Z para sistemas discretos son un manera de
dar resultados a la respuesta del sistema, estn limitados para sistemas que
son lineales, y como consecuencia no es posible tener un resultado cercano al
comportamiento del fenmeno real. Porque en la realidad todo sistema es
inherentemente no lineal, por ello una forma de tener una mejor aproximacin
a comportamientos de sistemas no lineales es mezclar los modelos
matemticos con reglas de inferencia las cuales son tomadas a partir de la
experiencia. Otra aportacin que refiere el autor es la aplicacin de su
propuesta de modelado discreto con etapas de inferencia a un sistema de tipo
organizacional con caractersticas particulares haciendo entender que se tiene
un nivel micro y como consecuencia comportamientos particulares que toda
organizacin tiene acorde a los modos de realizar las tareas, adems, se
enfatiza que un modelo discreto se apega mas a la forma de trabajo de tipo
organizacional con una mayor cantidad de componentes no lineales.

Aunque dos enfoques prevalecen en el anlisis de sistemas desde una

perspectiva matemtica como lo son discreto y continuo, la forma de trabajar
con cualquiera de ellos es anloga, es decir, existe una dualidad entre estos
dos enfoques, sin embargo aunque el autor refiere que la mezcla de un sistema
discreto con componentes de inferencia produce resultados ms realistas de
algn fenmeno bajo estudio por ingresar componentes no lineales, es cierto
que existen teoras que tienen como base el trabajo de sistemas continuos y
modelan las mismas componentes no lineales sin la necesidad de ingresar
componentes de inferencia. Lo rescatable de este artculo es que es una
aproximacin a la teora difusa quien tambin puede hacer uso de los modelos
matemticos para generar mejores aproximaciones de los comportamientos
que son modelados.

[5] Horst P. Schecker. System Dynamics in High School Physics. Conference

Proceedings the 12th International Conference of the System Dynamics Society.
Stirling Scotland. 1994

El artculo titulado System Dynamics in High School Physics versa

sobre la problemtica existente en el estudio de la asignatura de fsica en un
nivel medio superior, este estudio realizado en Alemania especficamente en la
localidad de Bremen pretende descubrir algunos de los factores que hace tan
poco popular y de bajo inters la asignatura de fsica. Sabiendo que la
asignatura est estrechamente relacionada con el modelado de los sistemas
para obtener de este una representacin de su respuesta o bien, el
conocimiento de una parte de este, utilizando formulas que no son ms que
relaciones entre las variables que conforman al fenmeno bajo estudio.
pareciera ser que este es el principal factor del poco inters es que el
estudiante no cuenta con la facilidad de concebir y relacionar los elementos
que intervienen en el fenmeno estudiado, haciendo que la asignatura de fsica
se vuelva complicada y por ende de poco inters en su formacin acadmica.

Para tratar de subsanar esta problemtica, los profesores entendiendo

que es imposible el transferir conocimiento a sus alumnos, centran sus
esfuerzos en buscar mecanismos que incentiven a los propios alumnos a
generar sus propios conocimientos a partir de clases prcticas en las cuales
puedan compartir informacin entre todos los integrantes de la clase
argumentando sus posibles implementaciones para dar solucin a un problema
en especifico. Para hacer esto, los profesores han buscado hacer que los
planteamientos matemticos no sea abordados desde una perspectiva
abstracta empleando simbologa matemtica sino, empleando simbolismos que
sean mas significativos para el estudiante y para lograrlo decidieron utilizar
software de simulacin, que ne este caso es el llamado STELLA; es as que los
alumnos empiezan a desarrollar su capacidad de anlisis y sntesis porque en
lugar de ver al modelado como una formula matemtica, observan las
relaciones existentes en el fenmeno estudiado, por ejemplo, en la figura XXX
se observa la representacin de la segunda ley de Newton la cual relaciona al
momento como una relacin de cambio con respecto al tiempo. En la parte
derecha se observan las representaciones matemticas y la posible
representacin de la ecuacin mediante cdigo, mientras que en la parte
izquierda, se muestran las relaciones mediante un diagrama de bloques con las
relaciones existentes entre los elementos que conforman dicha expresin.
 Figura XXX. Representacin de la segunda ley de Newton

Acorde a los resultados obtenidos de esta metodologa empleada para el

aprendizaje de modelado de sistemas, se obtuvo que el alumno logro
incrementar su capacidad de anlisis y sntesis y con ello una perspectiva
crtica del conocimiento que adquiere, respondindose la pregunta del por qu?
las ecuaciones reflejan la caractersticas de un fenmeno fisco determinado y
sobre todo el saber cmo plantear un modelo matemtico.

Este trabajo resulta de inters ya que presenta las problemtica desde

una perspectiva de un pas de primer mundo y como ha sido la transicin en el
aprendizaje con la finalidad de que las nuevas generaciones logren obtener un
raciocinio que posibilite el continuar con mejores estandartes en la calidad de
vida, ya que como se ha mencionando anteriormente, la finalidad de crear
modelos matemticos es establecer las posibles relaciones entre las variables
que influyen en el fenmeno fsico y esta relacin solo es posible mediante
procesos de anlisis y sntesis utilizando como fundamento los conocimientos
que se tienen de las leyes fsicas.

[6] Fugenschuh, Armin with Ingmar Vierhaus. A Global Approach to the

Optimal Control of System Dynamics Models . Conference Proceedings the 33th
International Conference of the System Dynamics Society. Cambridge MA. USA.
2015

Uno de los problemas comunes en la rea de anlisis de sistemas es la

resolucin de sistemas que tienen comportamientos no lineales, aunado a ello,
la implicacin de un posible controlador que condicione las acciones para
realizar alguna tarea especfica, el artculo titulado Global and Local
Optimal Control of a Resource Utilization Problem plantea la descripcin
de cmo implementar este tipo de problemas en software para conocer la
solucin al igual que explica las implicaciones de su implementacin mediante
el uso de rutinas numricas empleadas por diferentes tipos de software.

El anlisis de sistemas de control no lineales y conjuntados mediante

teoras de optimizacin, plantean un reto importante en la creacin de un
modelo que posibilite el diseo de la ley de control, para ello es necesario
imponer restricciones al sistema de control que impliquen la generacin de una
ley de control que cumpla con la optimizacin. En general este enfoque de
control aborda ecuaciones diferenciales como ecuaciones algebraicas.

En donde la funcin objetivo se trata de maximizar o bien minimizar

segn sea el caso de inters. El conjunto de ecuaciones mostrado
anteriormente, se encuentran escritas en el dominio continuo, por lo cual para
ser ingresadas a simulacin se requiere plantearlas desde la perspectiva
discreta, claramente la solucin de estas ecuaciones requieres mtodos de
integracin y en ocasiones la solucin puede converger a un resultado global
aunque en general la optimizacin solo es alcanzada de manera local.

El estudio de sistemas de control Optimo requiere un anlisis de

ecuaciones diferenciales no lineales sujetas a restricciones algebraicas, con la
finalidad de generar una ley de control que cumpla las restricciones impuestas
sobre el sistema de control, aunque las ecuaciones sean diferenciales es
posible representarlas en ecuaciones en diferencias para ser programadas en
software de simulacin y de este modo obtener los resultados del
funcionamiento del sistema de control.

[7] Bull Oscar. System Dynamics Applied to Combat Models. Conference

Proceedings the 33th International Conference of the System Dynamics Society.
Cambridge MA. USA. 2015.

En el artculo System Dynamics Applied to Combat Models

plantea el desarrollo de un modelo que analice el desarrollo de combates ante
diferentes escenarios, argumentando que las variables implicadas en este
modelo son tan flexibles que una ecuacin diferencial no proporciona las
implicaciones necesarias para generar el modelado de este fenmeno. El
modelo esta basado en las leyes de Lanchester conocido tambin como de ley
cuadrtica. Esta ley, la cual es mostrada de forma grafica en la figura XXX,
relaciona dos elementos en conflicto en donde se tiene un estimado de la
cantidad de efectivos por ambos bandos. En donde se hace nfasis en que el
equipo azul posee una mayor cantidad de efectivos, por ende, la disminucin
de los elementos del grupo azul se vean diezmados y derrotados en casi 620
horas.
 Figura XXX. Ley cuadrtica de Lanchester y resultados de la simulacin.

Una modificacin de la ley cuadrtica es la consideracin del rango de

disparo de cada uno de los elementos, es decir, la efectividad que tienen los
elementos para disparar.

Figura XXX. Diagrama Causal Lanchester

Figura XXX. Modelo considerando refuerzos

En la figura anterior, se anexa un elemento ms, el que cada ejrcito se

est reforzando a una taza determinada, la respuesta de este modelo se
presenta en la figura XXX, donde se observa que las fuerzas azules reciben
refuerzos en un tiempo determinado haciendo que sean las fuerzas
vencedoras.
 Figura XXX. Resultado de considerar refuerzos

El modelo presentado en este artculo evoluciona hasta el grado de

considerar el anexar fuerzas areas tal como se muestra en la figura inferior.

Figura XXX. Modelado considerando fuerza area.

La relevancia de este articulo radica en mostrar que es posible modelar

sistemas con un alto grado de flexibilidad, lo cual los convierte en modelos no
lineales, y aunque las expresiones matemticas empleadas no son ms que
relaciones algebraicas, la expansin del modelo se convierte en una manera de
proveer una aproximacin ms veraz del fenmeno utilizado.